Versteht man seine Anwendung als Kombination (fast) unabhängiger Services, so ergeben sich nicht nur für Entwicklung und Deployment neue Perspektiven.
Denn nicht nur die eigenen Services können internen oder externen Dritten zur Verfügung gestellt werden, sondern auch der umgekehrte Weg ist denkbar.
Eine entsprechend flexible Architektur vorausgesetzt, lässt sich die eigene Fachlichkeit durch 3rd Party Services sinnvoll und gewinnbringend ergänzen, ohne dabei das Rad neu erfinden zu müssen.
Besonders interessant scheint hier das Feld der künstlichen Intelligenz zu sein. Egal ob automatische Texerkennung, Retourenvorhersagen, Qualitätsicherung in der Produktion oder die Vorhersage von Terminen zur Maschinenwartung; die Möglichkeiten scheinen nahezu unbegrenzt.
Die Session zeigt, welche Möglichkeiten heute bereits Out-of-the-Box AI Services bieten und für welche Aufgaben man doch besser einen ML Experten mit ins Boot holen sollte.
2. Software als SERVICE
you IMPROVE it
#1: Sammeln, verdichten & auswerten
von fachlichen & technischen Metriken.
#2: Abgleichen der Metriken mit den
initialen Business Objectives.
#3a: Adaption der Business Objectives
an neue Anforderungen und Erkenntnisse.
#3b: Evolution des Service als Reaktion auf
geänderte Rahmenbedingungen.
3. Software als SERVICE
EVOLUTION des Service
Technische Anpassung der API, als Reaktion
auf DX Feedback.
Fachliche Anpassung der API, als Reaktion
auf UX Feedback.
Fachlichen Erweiterung der Funktionalität
durch Integration von 3rd Party Services.
4. Software als SERVICE
Technische Anpassung der API, als Reaktion
auf DX Feedback.
Fachliche Anpassung der API, als Reaktion
auf UX Feeback.
Fachlichen Erweiterung der Funktionalität
durch Integration von 3rd Party Services.
... am Beispiel KI
EVOLUTION des Service
5. AI as a Service
„Was genau ist eigentlich KI?“ aka
das kleine 1x1 der KI
„Wie kann KI mir helfen?“ aka
Ansatzpunkte für KI
„Was muss ich dafür können/wissen?“ aka
Getting Started mit KI
7. das kleine 1x1 der KI
„Artificial Intelligence is a system’s ability
to correctly interpret external data,
to learn from such data, and to use those learnings
to achieve specific goals and tasks
through flexible adaptation.“
(AndreasKaplan & Michael Haenlein,
2018)
9. künstliche Intelligenz
starke
KI
schwache KI
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
10. Teilgebiet des Machine
Learnings: bedient sich
mehrschichtiger neuronaler
Netze zum Lernen/Entscheiden
künstliche Intelligenz
starke
KI
schwache KI
Deep
Learning
Machine
Learning
echte Nachbildung des
menschlichen Bewusstseins
(bis heute nicht existent)
Teilgebiet der künstlichen
Intelligenz: lernt mittels
statistischer Methoden
und kann sich anhand von
Erfahrungen verbessern
Maschine, die
menschliches
Verhalten (teilweise)
imitiert
17. KI am Beispiel von
RECRUITING
gegeben: Datensätze mit Informationen
zu erfolgreichen und erfolglosen
Bewerbern:innen.
gesucht: Entscheidungsgrundlage, ob
Bewerber:innen zum Gespräch
eingeladen werden sollen oder nicht.
18. KI am Beispiel von
RECRUITING
- Name
- Geschlecht
- Berufserfahrung in Jahren
- Arbeitslosigkeit in Jahren
Trainingsset
(x Kandidat:innen)
19. KI am Beispiel von
RECRUITING
- Name
- Geschlecht
- Berufserfahrung in Jahren
- Arbeitslosigkeit in Jahren
Trainingsset
(x Kandidat:innen)
20. KI am Beispiel von
RECRUITING
- Name
- Geschlecht
- Berufserfahrung in Jahren
- Arbeitslosigkeit in Jahren
- erfolgreich eingestellt JA / NEIN
Trainingsset
(x Kandidat:innen)
Grundwahrheit
(gibt dem Algorithmus Feedback)
21. KI am Beispiel von
RECRUITING
In der Vergangenheit waren ca. 20% der
Vorstellungsgespräche erfolgreich, d.h.
die Kandidat:innen wurden eingestellt
und sind 2 Jahre oder länger im
Unternehmen geblieben.*
Baseline
(Maß für die Qualität)
* btw. es gibt ca. 1000 Bewerber:innen auf eine offene Stellen..
22. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
„KI: finde bitte eine sinnvolle
Unterteilung. Danke.“*
*… auf deren Basis wir Aussagen über den Erfolg
zukünftiger Bewerber:innen treffen können.
23. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
24. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
4
4
5
6
25. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
4
verpasstes Talent
vermeidbarerAufwand
26. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
4
verpasstes Talent
vermeidbarerAufwand
27. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
verpasstes Talent
vermeidbarerAufwand
28. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
verpasstes Talent
vermeidbarerAufwand
7
29. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
6
verpasstes Talent
vermeidbarerAufwand
30. KI am Beispiel von
RECRUITING
Berufserfahrung (in Jahren)
Arbeitslosigkeit
(in
Jahren)
7
4
4
5
6
31. KI am Beispiel von
RECRUITING
Menschen müssen entscheiden, was
eine gute Entscheidung ausmacht, damit
maschinelles Lernen überhaupt gute
Entscheidungen produzieren kann.*
Rückschluss
(Sozioinformatiker)
* Recruitingsysteme haben i.d.R. 25+ Qualitätsmerkmale
32. KI am Beispiel von
RECRUITING
Unserer KI sagt zu 50% das richtige
Ergebnis voraus.
FAKT: Die Baseline liegt bei 20%.
50%! Ist das jetzt eher
gut oder schlecht?
*bei 1000 Bewerbern auf eine Stelle wäre ein „nicht einladen“ zu 99,9% richtig!
33. KI am Beispiel von
RECRUITING
Operationalisierbarkeit: Was kann
gemessen werden? Was nicht?*
Rückkopplung/Feedback: Das
gezeigte Modell ermöglicht nur
einseitiges Feedback!**
*es kann nur gemessen werden, wie erfolgreich angenommene Kandidat:innen sind
**in realer Welt eher die Norm als die Ausnahme
SELBSTERFÜLLENDE
PROPHEZEIUNG!
Kann das System sich
von selbst verbessern?
34. KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Nur 50%? Hmm, da geht
doch bestimmt noch mehr!
35. KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Trainingsset vs Testset
36. KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Trainingsset vs Testset
37. KI am Beispiel von
RECRUITING
Ideale Linie: Warum eigentlich keine
Kurve, die wirklich optimal trennt?
Trainingsset vs Testset
GEFAHR DES
OVERFITTING!
38. das kleine 1x1 der KI
KI ist Daten, Daten, Daten
KI ist Algorithmus und Modell
KI ist Korrelation, nicht Kausalität
KI ist Grundwahrheit und Baseline
KI ist Rückschluss und Aktion
43. Ansatzpunkte für KI
Human Resources
Kampagnenanalyse
Vorauswahl
E-Assesment
Self-Scheduling
Active Sourcing
44. Ansatzpunkte für KI
Customer Experience
Chatbot & Voice Assistant
Realtime Next Best Action
Sentiment Analyse
Predictivce Customer Service
Intelligent Routing
45. Ansatzpunkte für KI
KI spart Kosten
KI hebt Umsatz
KI verbessert Qualität
KI vermindert Risiko
KI optimiert Prozesse
KI steigert Kundenbindung
50. *am Beispiel AWS AI / ML Services
notwendige
ML
Expertise
Sage
Maker
ML
Frameworks
Business
Metrics
Customer
Experience
Voice
AI
Text
AI
Image
AI
Anomalie
Detection
Metrics
Translate
Polly
Textract Recognition Equipment
Fraud
Detect
Personalize
Transcribe
A2I (AQ) Equipement
Forcast
Kendra
Lex
Comprehen
d
Monitron
Was geht mit KI out-of-the-Box?*
Getting Started mit KI
51. Getting Started mit KI: Text-2-Speach
„Hallo, schön
dass ihr alle zu
openThanx
gekommen seid!“
52. Step 1: Provide Text
Step 2: Choose Language, Engine, Voice …
Step 3: Listen ;-)
Getting Started mit KI: Text-2-Speach
55. Step 1: Provide Image
Step 2: Run Detection
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
56. Step 1: Provide Image
Step 2: Run Detections
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
„WO soll
gesucht werden?“
57. Step 1: Provide Image
Step 2: Run Detection
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
„WONACH soll
gesucht werden?“
58. Step 1: Provide Image
Step 2: Run Detection
Step 3: Evaluate Detections
Getting Started mit KI: Object Detection
* … und mit welcher Wahrscheinlichkeit?“
„WAS wurde
WO gefunden?“*